跟踪算法学习

sort

卡尔曼滤波

通俗理解

一个估计金条重量的例子
我们先从一个简单的例子开始，在这个例子中我们将会去估计一个静态系统，所谓静态系统就是在一定的时间内其状态不会改变的系统。在这个例子中，我们将估计一个金条的重量。首先假设我们使用的是一个无偏差的秤，也就是没有系统误差，但是测量值是包含随机误差的。这里的系统就是金条，系统的状态就是金条的重量。系统的动态模型是恒定的，因为我们假设金条的重量在短时间内不会发生变化。为了估计系统的状态，我们可以进行多次测量，然后对测量值求平均。

经过N次测量，估计值是之前所有测量值的平均值：

在上式中，

对上式做一下变换



该式就是卡尔曼滤波的状态转移方程，xhead(N,N)是第N次的预测状态，Zn是测量值，1/N是卡尔曼系数，卡尔曼系数越大，代表信任测量值多一些。
通过这样的步骤，可以看到，使用估计值后，金条重量变化曲线更平稳，这也是卡尔曼滤波的直观意义

公式理解

前两个公式是时间更新方程，也叫预测方程。x是观测状态矩阵，p是协方差矩阵，无论是预测值、测量值都是有误差的。预测值本来就是基于一个不确定的值，经过转移方程预测的，因此预测值（下图橙色）不确定性更大（更胖，方差更大）。
下图中的观测值是小车位置，小车位置到底在哪里呢，卡尔曼系数也就是综合这两个分布确定小车的位置（下图绿色），两个高斯分布计算后得出的分布（下图绿色），方差也更小了。
怎么通俗理解呢，天气预报（预测值）说今天七点到九点有雨，我们现在测量一下云的移动速度，云应该八点到十点左右飘到我们头顶上空，基于这两个分布，我们会说今天九点左右下雨的可能性很大。九点是经过卡尔曼系数加权综合得出的观测值（四式），而九点左右的“左右”就是方差，也要经过卡尔曼系数计算（五式），综合后时间区变小了，估计方差小了，与下图绿色分布较窄意义相同。公式四和五就是得出一个新的正态分布啊（均值和方差）
简言之，公式一二，预测一个正态分布，公式三四五，更新一个正态分布！

匈牙利匹配

跟踪还要解决的一个问题是预测框（卡尔曼滤波公式一的预测信息），和当前帧的检测框匹配问题，以进一步判断，哪些轨迹跟上了，哪些丢失了，出现了那些新轨迹等
匈牙利算法是解决二分图最大匹配问题的算法。
首先，要明确什么是二分图。二分图就是被划分为两个部分的特殊的图，两个集合分别记为A和B。无论是A还是B，同一个集合里面的任意两点都不能有连线，而只能是A中的点去与B中的点相连。
所谓二分图的最大匹配问题，可以看下图。在目标跟踪问题中，假设某一帧的视频中，有四个检测框Box，在这一帧有4个目标Target，中间连接的黑色实线表示：Box和Target有很大的可能是同一个目标（两点之间没有连线表示它们是同一个目标的置信度小于阈值，或者说我们认为二者不是同一个目标）。我们要做的是给检测出的Box尽可能匹配更多的Target。下面我们用匈牙利算法求解这个问题。

首先，初始状态下没有任何点是匹配的。我们给Box1分配给最近的Target1。

然后，我们看Box2，发现最近的Target2也没有被匹配到，因此给Box2分配给Target2。

当我们匹配Box3的时候，发现可能与Box3是同一目标的只有Target1和2，但是它们都被匹配上了，怎么办呢？匈牙利算法的思想是：让Box1换个目标匹配试试，给Box3腾个地方，看看行不行。于是，我们让Box1的目标匹配成Target2，但因为Target2也已经被Box2匹配了，所以我们用同样的思想，让Box2也腾个地方，选择另一个目标Target3：

因此，我们发现Target1的地方被腾出来了，Box3恰好可以匹配这Target1，所以把Box3和Target1连线。

我们再尝试给Box4匹配Target时，发现Target3和Target3都被匹配上了。而Box1、Box2和Box3已经没有多余的位置可腾出来了，因此我们没有办法给Box4安排一个可以匹配的目标。至此，匈牙利算法结束，匹配的最终结果为(Box1， Target2),(Box2， Target3),(Box3， Target1)，代表着当前帧中检测框和目标的最大匹配。

DetZero